[发明专利]一种结合点特征和线特征的图像匹配方法

说明书

技术领域

本发明属于图像匹配、计算机视觉及数字图像处理技术领域，具体涉及一种结合点特征和线特征的图像匹配方法。

背景技术

随着科学技术尤其是计算机技术的迅速发展，景象匹配识别技术已经成为信息处理领域极其重要和基本的技术，特别是在航空航天、无人机导航以及导弹末制导等领域具有广泛的应用价值。

景象匹配识别是将飞行器现场拍摄的实时图与事先制备好的模板图进行匹配识别的过程。通过图像识别以确定飞行器所处位置，从而能修正航向偏差。目前采用的模板图主要来源于卫片或航片，实时图为机载相机(或弹载相机)拍摄的下方图像。

实时图一般为红外图像，而模板图可能为可见光或红外图像。模板图与实时图因为拍摄时间、成像器不同，其灰度纹理与实时图通常会有较大差异。在现实场景中，实时图内的物体还会受光照，阴影，云雾遮挡等影响，其灰度纹理特性会发生较大变化。特别是在红外图像中，即使相同的物体其灰度特征在一天中的不同时段也会发生变化。

景象匹配识别中通常会根据模板图和部分关于材质的先验知识，通过聚类的方法生成反映模板图中较为显著稳定的结构特征的二值(多值)模板。二值(多值)模板应用到复杂场景的匹配中，能在统计意义上部分消除适应灰度变化带来的影响，但是会出现重复模式较多，描述能力不够的问题。

根据参与运算的数据结构的不同，图像的匹配识别算法有两个研究方向：基于特征的匹配识别方法和基于区域的匹配识别方法。其中，著名的基于点特征的匹配识别方法包括尺度不变特征转换(Scale-invariant feature transform，SIFT)，快速鲁棒特征(Speed-Up Robust Features，SURF)，标定方向的BRIEF算法(ORiented Brief，ORB)。SIFT类算法适用于描述纹理丰富的图像，在简单二值模板中，纹理信息较少，线条简单，可提取的角点数量较少，而且SIFT类算法寻找主方向时依赖局部梯度，主方向定位不准确会影响描述子的描述能力。

常用的边缘特征提取方法包括：Robert边缘检测算子、高斯－拉普拉斯算子(LOG算子)、Canny算子、Hough变换等。边缘匹配算法相对角点匹配发展较慢，当前边缘匹配算法易受噪声影响，匹配精度和抑制噪声能力通常不能兼顾，复杂场景下边缘提取可能不稳定，影响匹配结果。

基于区域的匹配识别方法又称为模板匹配法，是一种常见的图像匹配算法，最常用的基于区域的匹配方法包括：灰度互相关算法和互信息匹配算法等，主要利用区域的灰度信息或者灰度信息的某种变换进行匹配识别。它的发展比较成熟，稳定性好、可靠性高，被广泛应用于模式识别、飞行器导航等领域。基于区域的匹配识别在区域的选择方面带有较强的先验，在模板较大时运算耗时较大。

发明内容

本发明提出一种结合点特征和线特征描述子的图像匹配方法，目的在于通过使用角点邻域的线特征对点特征的多个候选匹配点进行筛选，获得更好的在复杂场景中的匹配定位能力。

为实现本发明的目的，本发明提供了一种结合点特征和线特征描述子的图像匹配方法，所采取的方法如下步骤：

(1)分别对模板图和实时图在多尺度下提取角点

分别对模板图和实时图构建尺度金字塔图像。构建尺度金字塔图像时，保持图像大小不变，通过改变高斯模糊尺寸和用于计算haar响应窗口的大小以获得每一层不同尺度的金字塔图像。在每层金字塔图像中，使用hessian矩阵计算每个像素的局部曲率ρ，将每个像素点与其尺度邻域上的α个点的局部曲率ρ(通常取3个尺度邻域上的26个点，即α通常取为26)进行比较，如果该像素点的局部曲率ρ是这α个点中的最大值或者最小值，则保留下来，作为初步选择的角点。

对初步选择的角点，根据其局部曲率ρ使用双阈值(t1,t2,且t1<t2)进行筛选，获得最终选定的角点。筛选过程中，局部曲率ρ小于阈值t1的角点则直接舍去，局部曲率ρ大于阈值t2的角点则直接保留，局部曲率ρ大于阈值t1但小于t2的角点，如果在其邻域能提取出较多的长边缘(说明该角点邻域能描述足够的结构特征)，则保留该角点，否则将其舍去。

(2)获得实时图和模板图角点周围的边缘集合